Mapear tus datos

Este archivo de plantilla muestra cómo crear mapas estáticos e interactivos.

import geopandas as gpd
import folium
import matplotlib.pyplot as plt

# Instalar contextily en Google Colab
!pip install contextily

import contextily as cx

Cargar tus datos

En Google Colab, haz clic en el ícono de carpeta ubicado a la izquierda de la pantalla. Si aparece el mensaje Connecting to a runtime to enable file browsing, espera algunos segundos mientras Google Colab se conecta y carga.

Haz clic en el ícono Upload, que es el primero de izquierda a derecha, y selecciona el archivo en tu computadora.

Aparecerá el mensaje Warning: Ensure that your files are saved elsewhere. This runtime's files will be deleted when this runtime is terminated. Esto ocurre porque Google Colab crea una copia temporal de los datos en tu navegador. Esa copia se eliminará cuando cierres el navegador o finalice la sesión. El archivo original de tu computadora no cambiará, aunque modifiques los datos dentro de Google Colab.

A continuación se muestran ejemplos para cargar distintos tipos de datos espaciales.

1. Shapefile (.shp):

Si subiste un shapefile comprimido:

data = gpd.read_file("nombre_de_tu_archivo.zip")

Si subiste por separado los archivos del shapefile (.SHP, .DBF, .SHX, entre otros):

data = gpd.read_file("nombre_de_tu_archivo.shp")

2. GeoJSON (.geojson):

data = gpd.read_file("nombre_de_tu_archivo.geojson")

3. GeoPackage (.gpkg):

data = gpd.read_file(
    "nombre_de_tu_archivo.gpkg",
    layer="nombre_de_tu_capa"
)

4. Geodatabase (.gdb):

Primero debes comprimir la geodatabase en un archivo ZIP.

data = gpd.read_file(
    "nombre_de_tu_geodatabase_comprimida.zip",
    layer="nombre_de_tu_capa"
)

# Escribe aquí el código para cargar tus datos
data = None

# Por ejemplo:
# data = gpd.read_file("nombre_de_tu_archivo.geojson")

En este ejemplo utilizaremos el conjunto de datos de GLOBE Observer Mosquito Habitat Mapper, filtrado para incluir solamente las observaciones de Florida:

data = gpd.read_file(
    "https://github.com/geo-di-lab/emerge-lessons/raw/"
    "refs/heads/main/docs/data/globe_mosquito.zip"
)

fl = gpd.read_file(
    "https://github.com/geo-di-lab/emerge-lessons/raw/"
    "refs/heads/main/docs/data/florida_boundary.geojson"
)[["geometry"]]

data = (
    gpd.sjoin(
        data,
        fl,
        how="inner",
        predicate="intersects"
    )
    .drop(columns=["index_right"])
    .reset_index(drop=True)
)

# Mostrar las primeras cinco filas de la tabla
if data is None:
    raise ValueError(
        "Primero carga tus datos en la celda anterior."
    )

data.head()

# Mostrar estadísticas como el promedio, mínimo y máximo
# de cada columna numérica
if data is None:
    raise ValueError(
        "Primero carga tus datos en la celda anterior."
    )

data.describe()

Crea un mapa sencillo para observar los datos.

if data is None:
    raise ValueError(
        "Primero carga tus datos."
    )

data.plot()
plt.show()

Agrega un mapa base mediante contextily.

Utilizamos .to_crs(epsg=3857) para transformar los datos a un sistema de referencia de coordenadas compatible con el mapa base que aparecerá en el fondo.

if data is None:
    raise ValueError(
        "Primero carga tus datos."
    )
if data.crs is None:
    raise ValueError(
        "Los datos no tienen un sistema de referencia de coordenadas definido."
    )

ax = data.to_crs(
    epsg=3857
).plot(
    color="gold",  # Nombre del color de los puntos
    edgecolor="black",
    markersize=25
)

cx.add_basemap(ax)
ax.axis("off")
plt.show()

Puedes personalizar el color de los puntos. Esta imagen muestra una lista de colores con nombre disponibles en Matplotlib:

Crear un mapa interactivo con Folium

Si tu conjunto de datos contiene puntos

En este ejemplo continuaremos utilizando el conjunto de datos de GLOBE Observer Mosquito Habitat Mapper correspondiente a Florida.

En el siguiente código puedes definir popup_content, que es la información que aparecerá cuando hagas clic en un punto. Por ejemplo:

popup_content = f"""<b>Etiqueta 1:</b> {row["Column1"]}<br>
<b>Etiqueta 2:</b> {row["Column2"]}<br>
<b>Etiqueta 3:</b> {row["Column3"]}"""

En este código, <b>Nombre:</b> hace que la palabra Nombre: aparezca en negrita porque está ubicada entre <b> y </b>. La etiqueta <br> crea un salto de línea y coloca el siguiente texto en una línea nueva.

Para personalizar el código, reemplaza Column1, Column2 y Column3 por los nombres exactos de las columnas de tu conjunto de datos. Después, reemplaza Etiqueta 1, Etiqueta 2 y Etiqueta 3 por los textos que deseas mostrar para describir cada columna.

Las etiquetas pueden ser iguales a los nombres de las columnas o pueden ser más descriptivas. Por ejemplo, si una columna se llama lat, puedes utilizar Latitud como etiqueta.

if data is None:
    raise ValueError(
        "Primero carga tus datos."
    )

required_columns = [
    "Column1",
    "Column2",
    "Column3"
]

missing_columns = [
    column
    for column in required_columns
    if column not in data.columns
]

if missing_columns:
    raise ValueError(
        "Reemplaza Column1, Column2 y Column3 por nombres "
        "reales de columnas antes de ejecutar esta celda."
    )

if not data.geometry.geom_type.isin(["Point"]).all():
    raise ValueError(
        "Este ejemplo requiere un conjunto de datos formado por puntos."
    )

# Crear un mapa vacío centrado en Florida
map = folium.Map(
    location=[28.263363, -83.497652],
    tiles="CartoDB positron",
    zoom_start=7
)

# Agregar cada punto como marcador
for _, row in data.iterrows():
    popup_content = f"""<b>Etiqueta 1:</b> {row["Column1"]}<br>
<b>Etiqueta 2:</b> {row["Column2"]}<br>
<b>Etiqueta 3:</b> {row["Column3"]}"""

    folium.Marker(
        location=[
            row.geometry.y,
            row.geometry.x
        ],
        popup=folium.Popup(
            popup_content,
            max_width=300
        )
    ).add_to(map)

display(map)

Si tu conjunto de datos contiene polígonos

En este ejemplo utilizaremos los límites de los condados de Florida:

data = gpd.read_file(
    "https://github.com/geo-di-lab/emerge-lessons/raw/"
    "refs/heads/main/docs/data/florida_counties.geojson"
)

# Escribe el nombre de una columna que deseas mostrar
# en la ventana emergente
column_name = ""

if data is None:
    raise ValueError(
        "Primero carga tus datos."
    )
if not column_name:
    raise ValueError(
        "Escribe el nombre de una columna en column_name."
    )
if column_name not in data.columns:
    raise ValueError(
        f"No se encontró la columna '{column_name}'."
    )
if data.crs is None:
    raise ValueError(
        "Los datos no tienen un sistema de referencia de coordenadas definido."
    )
if not data.geometry.geom_type.isin(
    ["Polygon", "MultiPolygon"]
).all():
    raise ValueError(
        "Este ejemplo requiere un conjunto de datos formado por polígonos."
    )

# Crear un mapa vacío centrado en Florida
map = folium.Map(
    location=[28.263363, -83.497652],
    tiles="CartoDB positron",
    zoom_start=7
)

# Agregar cada polígono al mapa
for _, row in data.iterrows():
    # Simplificar la geometría para que el mapa cargue más rápido
    simplified_geometry = gpd.GeoSeries(
        [row["geometry"]],
        crs=data.crs
    ).simplify(
        tolerance=0.001
    )

    geo_json = folium.GeoJson(
        data=simplified_geometry.to_json(),
        style_function=lambda feature: {
            "fillColor": "blue"
        }
    )

    folium.Popup(
        str(row[column_name])
    ).add_to(geo_json)

    geo_json.add_to(map)

display(map)

Referencias

• Introducción a GeoPandas

• Creación de mapas de polígonos con Folium

• Guía de introducción a contextily